Не может быть! Вот что вам нужно знать, прежде чем тратить на это время
Глубокое обучение - одна из самых популярных тенденций в области искусственного интеллекта прямо сейчас. Это также один из самых трудных для понимания, поэтому вы должны знать, что глубокое обучение может сделать для вашего бизнеса, прежде чем начинать его внедрять.
В этом сообщении блога будет обсуждаться, как оценить, подходит ли вам глубокое обучение и какие преимущества оно может дать.
Глубокое обучение также известно как глубокие нейронные сети. Это потому, что он имитирует нейронные сети в вашем мозгу, которые вы используете для мышления и обучения, которые можно рассматривать как слои или секции, расположенные друг над другом. Между входными данными (например, изображением) и выходными данными (например, объектом или лицом) с глубоким обучением может быть несколько скрытых слоев.
Глубокое обучение особенно хорошо при просмотре тонны данных в поисках закономерностей. Это делает его отличным решением для таких задач, как распознавание изображений или голоса, где у вас есть сотни тысяч, если не миллионы примеров.
У традиционных моделей есть свои достоинства.
Глубокое обучение не во всех случаях является идеальным решением. Иногда традиционные модели работают лучше, чем глубокое обучение, потому что они более интерпретируемы.
В традиционной модели вы можете увидеть, какие функции учитываются при принятии решения и влияют на производительность. Для сравнения, глубокое обучение может быть сложно интерпретировать, потому что не всегда ясно, куда идут ваши данные или как они обрабатываются, прежде чем прийти к ответу. Эта непрозрачность означает, что другим может потребоваться больше времени, чтобы доверять его результатам, особенно для задач, требующих утверждения.
Традиционные методы лучше работают с небольшими наборами данных с меньшим количеством функций. Они также обучаются значительно быстрее, чем модели глубокого обучения .
Нельзя сказать, что традиционные модели всегда превосходят глубокое обучение, но иногда такое случается! Так что пока не забывайте о старых методах машинного обучения, если вы не знаете, какой подход лучше всего подходит для проекта или бизнес-задачи, с которой вы сталкиваетесь.
Вы также можете попробовать использовать инструменты выбора и извлечения функций, такие как SVM, которые помогут вам проанализировать множество данных, чтобы найти именно то, что нужно вашему бизнесу. Обучая его функциям и требованиям, SVM может создавать модели с меньшим объемом данных, чем требуется для глубокого обучения, обеспечивая при этом точные результаты.
Это также было проверено в нескольких исследованиях. Вот одна, в которой говорится, что модели SVM показали лучшие результаты, чем сверточные нейронные сети (CNN).
Как выбрать правильный подход к машинному обучению?
Стратегия номер один - попытаться сравнить оба подхода лицом к лицу, чтобы вы знали, какой из них лучше всего подойдет для вашей проблемы.
Например, вы можете разделить данные на две части и построить традиционную модель с одной группой примеров и моделью глубокого обучения с другой. Затем сравните их производительность, чтобы увидеть, какой из них дает лучшие результаты для вашей бизнес-задачи или варианта использования.
Если у вас множество функций, глубокое обучение может быть для вас правильным выбором.
Часто для работы с реальными проблемами существует больше функций, чем точек данных, поэтому не всегда можно увидеть, какие из них важны. Это означает, что алгоритмам машинного обучения необходимо проанализировать все данные, прежде чем выбирать лучшие функции для работы.
Глубокое обучение помогает определить, какая функция является наиболее важной, например, определение лица на изображении, даже если оно повернуто в сторону или частично закрыто. Это означает меньше времени на настройку традиционных алгоритмов машинного обучения, чтобы выбрать правильные перед обучением для повышения общей производительности.
Что на самом деле делает глубокое обучение?
С помощью глубокого обучения вы вводите данные в модель, и она сама учится распознавать закономерности. Например, если есть куча песка и еще одна куча, содержащая только камни, входной слой может видеть только это: две груды песка и камня. Каждый более глубокий слой сети может изучать более сложные концепции из этих простых, например, добавление большего количества камней или смешивание грязи. И эта информация перемещается по слоям сразу.
Глубокое обучение лучше всего подходит для таких задач, как распознавание изображений и голоса, но оно также требует большого количества данных. Например, мы знаем, что для глубокого обучения можно использовать 100 000 и более примеров, на которых можно учиться. Так что, если у вас есть только 1000 примеров (то есть изображений), то, вероятно, вам подойдут традиционные модели.
Одна из распространенных проблем - это вычислительные ресурсы, необходимые для глубокого обучения. На обучение модели глубокого обучения могут уйти дни или даже недели, поэтому вам потребуются данные и рабочие процессы, прежде чем вы начнете.
Вы также хотите быть уверены, что ваша проблема может быть решена с помощью глубокого обучения. Глубокое обучение отлично справляется с такими задачами, как распознавание изображений, голоса и текста, поэтому обязательно ознакомьтесь со списком популярных методов глубокого обучения. случаи ниже.
Если ваш бизнес столкнулся с проблемой, которую можно решить с помощью глубокого обучения, пока что не отказывайтесь от других подходов, перечисленных выше! Например, если вам нужна интерпретируемая модель, чтобы помочь другим доверять ее выводам, тогда традиционные методы, такие как SVM, могут быть лучшим выбором.
Где глубокое обучение работает хорошо?
Возможности глубокого обучения безграничны, когда дело доходит до компьютерного зрения. Оно используется в автономных автомобилях, распознавании изображений (например, Facebook может пометить ваши фотографии для вас), медицинской визуализации, такой как отчеты о радиологии и патологии, дроны которые отображают местность или сканируют землю под ними, системы безопасности, такие как распознавание лиц в аэропортах, или даже приложения для смартфонов, такие как Prism.
Более глубокие нейронные сети со многими скрытыми слоями и большим количеством нейронов также могут помочь компьютерам обнаруживать речевые модели, благодаря чему Siri и Amazon Echo от Apple так хорошо понимают, что вы говорите. Google Voice Search - еще один отличный пример этой технологии в действии. Он использует модели глубокого обучения для захвата шума на расстоянии до 20 футов при фильтрации фоновых звуков.
Глубокое обучение также упростило создание более привлекательных чат-ботов. Эти компьютерные программы могут поддерживать беседы с пользователями, поэтому вы могли использовать их недавно, если когда-либо разговаривали с помощью M-помощника Facebook Messenger или болтали с интернет-роботами обслуживания клиентов, такими как Poncho.
Модели глубокого обучения помогают этим помощникам понимать, что вы говорите, и давать полезные ответы.
Вывод
Таким образом, глубокое обучение - это ветвь машинного обучения, в которой используются глубокие нейронные сети, которые могут изучать абстрактные функции, такие как звуки, изображения и язык. Глубокое обучение имеет несколько преимуществ по сравнению с другими методами машинного обучения, в том числе лучшую производительность в задачах распознавания зрения, голоса или текста.
Однако это требует больше вычислительных ресурсов, чем традиционные модели. Кроме того, если данных не так много, традиционные методы работают лучше, поскольку им требуется меньше обучения. Если вы решите использовать глубокое обучение, убедитесь, что ваша проблема подходит для этого типа модели.
Вот и все! Надеюсь, вам понравилось читать…
Спасибо за чтение, передайте мне привет в LinkedIn, Twitter и Medium.
Еще не являетесь участником Medium? Воспользуйтесь этой ссылкой, чтобы стать участником, потому что без дополнительных затрат для вас я получаю небольшую комиссию за ваше направление.
